# 源代码挖掘

该工作提出一条流水线：用代码专用大模型（基于 Qwen3-Coder-30B-A3B-Instruct）对源码文件做开放分类法的语义标注，抽取算法、范式、设计模式与应用领域四类概念，再经三阶段 Wikidata 落地（确定性 SPARQL、面向长尾的 Deep Research Agent、父类闭包上卷），并配合人工金标集与 LLM 评审的校准质控，最终在 Stack-Edu 语料上构建出 CodeGraph：约 1.58 亿节点（其中约 1.45 亿为文件节点、约 6.3 万个抽取概念、约 1.98 万个已落地 Wikidata 实体）与约 10 亿条类型化边，覆盖 14 种编程语言。

该工作提出一条流水线：用代码专用大模型（基于 Qwen3-Coder-30B-A3B-Instruct）对源码文件做开放分类法的语义标注，抽取算法、范式、设计模式与应用领域四类概念，再经三阶段 Wikidata 落地（确定性 SPARQL、面向长尾的 Deep Research Agent、父类闭包上卷），并配合人工金标集与 LLM 评审的校准质控，最终在 Stack-Edu 语料上构建出 CodeGraph：约 1.58 亿节点（其中约 1.45 亿为文件节点、约 6.3 万个抽取概念、约 1.98 万个已落地 Wikidata 实体）与约 10 亿条类型化边，覆盖 14 种编程语言。